Python爬蟲利器三之Xpath語法與lxml庫的用法

前言

前面咱們介紹了 BeautifulSoup 的用法，這個已是很是強大的庫了，不過還有一些比較流行的解析庫，例如 lxml，使用的是 Xpath 語法，一樣是效率比較高的解析方法。若是你們對 BeautifulSoup 使用不太習慣的話，能夠嘗試下 Xpath。

參考來源

lxml用法源自 lxml python 官方文檔，更多內容請直接參閱官方文檔，本文對其進行翻譯與整理。

lxml

XPath語法參考 w3school

w3school

安裝

 pypi下載地址：https://pypi.python.org/pypi/lxml/3.4.2#downloads

 

1	pip install lxml

利用 pip 安裝便可

XPath語法

XPath 是一門在 XML 文檔中查找信息的語言。XPath 可用來在 XML 文檔中對元素和屬性進行遍歷。XPath 是 W3C XSLT 標準的主要元素，而且 XQuery 和 XPointer 都構建於 XPath 表達之上。

節點關係

（1）父（Parent）

每一個元素以及屬性都有一個父。

在下面的例子中，book 元素是 title、author、year 以及 price 元素的父：

 

1 2 3 4 5 6

<book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>

（2）子（Children）

元素節點可有零個、一個或多個子。

在下面的例子中，title、author、year 以及 price 元素都是 book 元素的子：

 

1 2 3 4 5 6

<book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>

（3）同胞（Sibling）

擁有相同的父的節點

在下面的例子中，title、author、year 以及 price 元素都是同胞：

 

1 2 3 4 5 6

<book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>

（4）先輩（Ancestor）

某節點的父、父的父，等等。

在下面的例子中，title 元素的先輩是 book 元素和 bookstore 元素：

 

1 2 3 4 5 6 7 8 9 10

<bookstore>   <book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>   </bookstore>

（5）後代（Descendant）

某個節點的子，子的子，等等。

在下面的例子中，bookstore 的後代是 book、title、author、year 以及 price 元素：

 

1 2 3 4 5 6 7 8 9 10

<bookstore>   <book>   <title>Harry Potter</title>   <author>J K. Rowling</author>   <year>2005</year>   <price>29.99</price> </book>   </bookstore>

 

選取節點

XPath 使用路徑表達式在 XML 文檔中選取節點。節點是經過沿着路徑或者 step 來選取的。

下面列出了最有用的路徑表達式：

表達式	描述
nodename	選取此節點的全部子節點。
/	從根節點選取。
//	從匹配選擇的當前節點選擇文檔中的節點，而不考慮它們的位置。
.	選取當前節點。
..	選取當前節點的父節點。
@	選取屬性。

實例

在下面的表格中，咱們已列出了一些路徑表達式以及表達式的結果：

路徑表達式	結果
bookstore	選取 bookstore 元素的全部子節點。
/bookstore	選取根元素 bookstore。註釋：假如路徑起始於正斜槓( / )，則此路徑始終表明到某元素的絕對路徑！
bookstore/book	選取屬於 bookstore 的子元素的全部 book 元素。
//book	選取全部 book 子元素，而無論它們在文檔中的位置。
bookstore//book	選擇屬於 bookstore 元素的後代的全部 book 元素，而無論它們位於 bookstore 之下的什麼位置。
//@lang	選取名爲 lang 的全部屬性。

謂語（Predicates）

謂語用來查找某個特定的節點或者包含某個指定的值的節點。

謂語被嵌在方括號中。

實例

在下面的表格中，咱們列出了帶有謂語的一些路徑表達式，以及表達式的結果：

路徑表達式	結果
/bookstore/book[1]	選取屬於 bookstore 子元素的第一個 book 元素。
/bookstore/book[last()]	選取屬於 bookstore 子元素的最後一個 book 元素。
/bookstore/book[last()-1]	選取屬於 bookstore 子元素的倒數第二個 book 元素。
/bookstore/book[position()<3]	選取最前面的兩個屬於 bookstore 元素的子元素的 book 元素。
//title[@lang]	選取全部擁有名爲 lang 的屬性的 title 元素。
//title[@lang=’eng’]	選取全部 title 元素，且這些元素擁有值爲 eng 的 lang 屬性。
/bookstore/book[price>35.00]	選取 bookstore 元素的全部 book 元素，且其中的 price 元素的值須大於 35.00。
/bookstore/book[price>35.00]/title	選取 bookstore 元素中的 book 元素的全部 title 元素，且其中的 price 元素的值須大於 35.00。

選取未知節點

XPath 通配符可用來選取未知的 XML 元素。

通配符	描述
*	匹配任何元素節點。
@*	匹配任何屬性節點。
node()	匹配任何類型的節點。

實例

在下面的表格中，咱們列出了一些路徑表達式，以及這些表達式的結果：

路徑表達式	結果
/bookstore/*	選取 bookstore 元素的全部子元素。
//*	選取文檔中的全部元素。
//title[@*]	選取全部帶有屬性的 title 元素。

選取若干路徑

經過在路徑表達式中使用「|」運算符，您能夠選取若干個路徑。

實例

在下面的表格中，咱們列出了一些路徑表達式，以及這些表達式的結果：

路徑表達式	結果
//book/title | //book/price	選取 book 元素的全部 title 和 price 元素。
//title | //price	選取文檔中的全部 title 和 price 元素。
/bookstore/book/title | //price	選取屬於 bookstore 元素的 book 元素的全部 title 元素，以及文檔中全部的 price 元素。

XPath 運算符

下面列出了可用在 XPath 表達式中的運算符：

運算符	描述	實例	返回值
|	計算兩個節點集	//book | //cd	返回全部擁有 book 和 cd 元素的節點集
+	加法	6 + 4	10
–	減法	6 – 4	2
*	乘法	6 * 4	24
div	除法	8 div 4	2
=	等於	price=9.80	若是 price 是 9.80，則返回 true。若是 price 是 9.90，則返回 false。
!=	不等於	price!=9.80	若是 price 是 9.90，則返回 true。若是 price 是 9.80，則返回 false。
<	小於	price<9.80	若是 price 是 9.00，則返回 true。若是 price 是 9.90，則返回 false。
<=	小於或等於	price<=9.80	若是 price 是 9.00，則返回 true。若是 price 是 9.90，則返回 false。
>	大於	price>9.80	若是 price 是 9.90，則返回 true。若是 price 是 9.80，則返回 false。
>=	大於或等於	price>=9.80	若是 price 是 9.90，則返回 true。若是 price 是 9.70，則返回 false。
or	或	price=9.80 or price=9.70	若是 price 是 9.80，則返回 true。若是 price 是 9.50，則返回 false。
and	與	price>9.00 and price<9.90	若是 price 是 9.80，則返回 true。若是 price 是 8.50，則返回 false。
mod	計算除法的餘數	5 mod 2	1

lxml用法

初步使用

首先咱們利用它來解析 HTML 代碼，先來一個小例子來感覺一下它的基本用法。

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

from lxml import etree text = ''' <div>     <ul>          <li class="item-0"><a href="link1.html">first item</a></li>          <li class="item-1"><a href="link2.html">second item</a></li>          <li class="item-inactive"><a href="link3.html">third item</a></li>          <li class="item-1"><a href="link4.html">fourth item</a></li>          <li class="item-0"><a href="link5.html">fifth item</a>      </ul> </div> ''' html = etree.HTML(text) result = etree.tostring(html) print(result)

首先咱們使用 lxml 的 etree 庫，而後利用 etree.HTML 初始化，而後咱們將其打印出來。

其中，這裏體現了 lxml 的一個很是實用的功能就是自動修正 html 代碼，你們應該注意到了，最後一個 li 標籤，其實我把尾標籤刪掉了，是不閉合的。不過，lxml 由於繼承了 libxml2 的特性，具備自動修正 HTML 代碼的功能。

因此輸出結果是這樣的

 

1 2 3 4 5 6 7 8 9 10 11 12

<html><body> <div>     <ul>          <li class="item-0"><a href="link1.html">first item</a></li>          <li class="item-1"><a href="link2.html">second item</a></li>          <li class="item-inactive"><a href="link3.html">third item</a></li>          <li class="item-1"><a href="link4.html">fourth item</a></li>          <li class="item-0"><a href="link5.html">fifth item</a></li> </ul> </div>   </body></html>

不只補全了 li 標籤，還添加了 body，html 標籤。

文件讀取

除了直接讀取字符串，還支持從文件讀取內容。好比咱們新建一個文件叫作 hello.html，內容爲

 

1 2 3 4 5 6 7 8 9

<div>     <ul>          <li class="item-0"><a href="link1.html">first item</a></li>          <li class="item-1"><a href="link2.html">second item</a></li>          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>          <li class="item-1"><a href="link4.html">fourth item</a></li>          <li class="item-0"><a href="link5.html">fifth item</a></li>      </ul> </div>

利用 parse 方法來讀取文件。

 

1 2 3 4

from lxml import etree html = etree.parse('hello.html') result = etree.tostring(html, pretty_print=True) print(result)

一樣能夠獲得相同的結果。

XPath實例測試

依然以上一段程序爲例

（1）獲取全部的 <li> 標籤

 

1 2 3 4 5 6 7 8

from lxml import etree html = etree.parse('hello.html') print type(html) result = html.xpath('//li') print result print len(result) print type(result) print type(result[0])

運行結果

 

1 2 3 4 5

<type 'lxml.etree._ElementTree'> [<Element li at 0x1014e0e18>, <Element li at 0x1014e0ef0>, <Element li at 0x1014e0f38>, <Element li at 0x1014e0f80>, <Element li at 0x1014e0fc8>] 5 <type 'list'> <type 'lxml.etree._Element'>

可見，etree.parse 的類型是 ElementTree，經過調用 xpath 之後，獲得了一個列表，包含了 5 個 <li> 元素，每一個元素都是 Element 類型

（2）獲取 <li> 標籤的全部 class

 

1 2	result = html.xpath('//li/@class') print result

運行結果

 

1	['item-0', 'item-1', 'item-inactive', 'item-1', 'item-0']

（3）獲取 <li> 標籤下 href 爲 link1.html 的 <a> 標籤

 

1 2	result = html.xpath('//li/a[@href="link1.html"]') print result

運行結果

 

1	[<Element a at 0x10ffaae18>]

（4）獲取 <li> 標籤下的全部 <span> 標籤

注意這麼寫是不對的

 

1	result = html.xpath('//li/span')

由於 / 是用來獲取子元素的，而 <span> 並非 <li> 的子元素，因此，要用雙斜槓

 

1 2	result = html.xpath('//li//span') print result

運行結果

 

1	[<Element span at 0x10d698e18>]

（5）獲取 <li> 標籤下的全部 class，不包括 <li>

 

1 2	result = html.xpath('//li/a//@class') print result

運行結果

 

1

['blod']

（6）獲取最後一個 <li> 的 <a> 的 href

 

1 2	result = html.xpath('//li[last()]/a/@href') print result

運行結果

 

1	['link5.html']

（7）獲取倒數第二個元素的內容

 

1 2	result = html.xpath('//li[last()-1]/a') print result[0].text

運行結果

 

1	fourth item

（8）獲取 class 爲 bold 的標籤名

 

1 2	result = html.xpath('//*[@class="bold"]') print result[0].tag

運行結果

 

1

span

經過以上實例的練習，相信你們對 XPath 的基本用法有了基本的瞭解。也能夠利用 text 方法來獲取元素的內容。

你們多加練習！

結語

XPath 是一個很是好用的解析方法，同時也做爲爬蟲學習的基礎，在後面的 selenium 以及 scrapy 框架中都會涉及到這部分知識，但願你們能夠把它的語法掌握清楚，爲後面的深刻研究作好鋪墊。

轉載：靜覓 » Python爬蟲利器三之Xpath語法與lxml庫的用法